面向AI驱动的探索的动态能力：前因、机制与创新成果

《Journal of Theoretical and Applied Electronic Commerce Research》：Dynamic Capabilities for AI-Enabled Exploration: Antecedents, Mechanisms, and Innovation Outcomes

　　

尽管人工智能（AI）的运营效益已得到充分记录，但企业利用AI进行战略探索和激进创新的机制仍未得到充分理论化。本研究通过整合技术-组织-环境（TOE）框架与动态能力观（DCV），来揭示AI价值创造的“黑箱”。研究人员提出，AI采纳并非绩效的直接前因，而是一个多阶段过程，其中技术、组织和环境因素促成了感知能力（sensing capability）的发展，进而培育出一种研究人员称之为“AI驱动的探索”（AI-Enabled Exploration）的新颖能力。通过分析来自沙特阿拉伯（一个正在经历国家主导数字化转型的高增长经济体）245名高级管理人员的调查数据，研究人员采用偏最小二乘结构方程模型（PLS-SEM）对模型进行了检验。结果证实了一条串行中介链：组织准备（organizational readiness）和技术兼容性（technology compatibility）驱动感知能力，后者进而推动AI驱动的探索以提升创新绩效。与预期相反，政府支持并非感知能力的显著预测因子，这表明在资源丰富的环境中，外部激励对于能力建设是必要但不充分的。此外，竞争压力被发现正向调节组织准备与探索之间的关系，充当将潜在资源转化为积极实验的关键催化剂。这些发现为企业试图从AI驱动的效率转向AI驱动的双元性（ambidexterity）提供了理论路线图。

**论文解读：面向AI驱动的探索的动态能力——前因、机制与创新成果**

**研究背景与问题**

随着人工智能（AI）技术的持续进步，企业已不再仅将其用于运营效率提升（即利用现有能力），而是日益探索其在发现新商业模式、产品和市场机会（即探索）方面的潜力。然而，现有信息系统（IS）研究大多聚焦于AI的效率红利，对组织如何系统性地利用AI进行战略探索的理论机制仍不清晰，形成了AI价值创造的“黑箱”。此外，多数实证证据来自市场驱动的西方环境，而像沙特阿拉伯这样的高增长、国家主导型经济体，其资源丰富但组织准备度参差不齐，为研究AI采纳如何转化为探索性创新提供了独特情境。为填补这一空白，本研究整合技术-组织-环境（TOE）框架与动态能力观（DCV），旨在回答：哪些TOE因素影响企业AI相关动态能力（感知能力与AI驱动的探索）的发展？这些动态能力在TOE因素与创新绩效之间扮演何种中介角色？竞争压力如何调节组织资源与AI驱动的探索之间的关系？

**研究内容与结论**

研究人员基于对沙特阿拉伯245名高级管理人员的调查数据，采用偏最小二乘结构方程模型（PLS-SEM）进行实证分析。结果证实了一条串行中介链：组织准备和技术兼容性正向驱动感知能力，感知能力进而促进AI驱动的探索，最终提升创新绩效。出乎意料的是，政府支持对感知能力的影响不显著，表明在资源丰富环境中，外部激励仅作为基础条件而非差异化能力驱动因素。此外，竞争压力正向调节组织准备与AI驱动的探索之间的关系，即在高压竞争环境下，组织准备更能转化为积极的探索行为。这些发现为AI从效率工具转向战略探索提供了理论路线图，论文发表在《Journal of Theoretical and Applied Electronic Commerce Research》。

**主要关键技术方法**

本研究采用基于调查的定量方法，样本来自沙特阿拉伯（KSA）各行业（电信、能源、银行、公共部门）的中高层管理人员。通过混合抽样策略（目的性抽样与滚雪球抽样）收集数据，最终有效样本245份。测量项目改编自现有成熟量表，并经过专家小组验证。数据分析采用偏最小二乘结构方程模型（PLS-SEM），辅以协方差结构方程模型（CB-SEM）进行稳健性检验。同时进行了共同方法偏差（CMB）检验（Harman单因子检验、完全共线性评估、共同潜因子法）以及非响应偏差检验（波分析法）。为排除内生性，采用了高斯copula方法。

**研究结果**

**4.1 测量模型验证**
通过因子载荷、组合信度（CR）、平均方差提取量（AVE）及区分效度（Fornell-Larcker准则与HTMT比率）检验，所有构念的信度与效度均达标。特别地，新构念“AI驱动的探索”表现出良好的心理测量属性（Cronbach's α=0.936，AVE=0.840），并通过探索性因子分析（EFA）和验证性因子分析（CFA）确认其单维结构。

**4.2 结构模型与假设检验**
模型解释了感知能力22.4%、AI驱动的探索42.1%、创新绩效36.5%的方差。路径分析显示：组织准备（β=0.304，p<0.001）和技术兼容性（β=0.218，p<0.001）显著正向影响感知能力，支持H2和H3；政府支持对感知能力的影响不显著（β=0.077，p>0.05），拒绝H1；感知能力显著正向影响AI驱动的探索（β=0.642，p<0.001），支持H4；AI驱动的探索显著正向影响创新绩效（β=0.604，p<0.001），支持H5。效应量（f2）显示AI驱动的探索对创新绩效具有大效应（f2=0.576），感知能力对AI驱动的探索也具有大效应（f2=0.412）。

**4.3 中介分析**
串行中介链“组织准备→感知能力→AI驱动的探索→创新绩效”显著（β=0.120，95% CI [0.080, 0.166]），表明组织准备通过感知能力和AI驱动的探索的序列发展完全实现其对创新的影响。感知能力对创新绩效的间接效应（通过AI驱动的探索）也显著（β=0.395，CI [0.317, 0.474]）。

**4.4 调节分析**
竞争压力正向调节组织准备与AI驱动的探索之间的关系（交互项β=0.130，p<0.05）。简单斜率图显示，在高竞争压力下，组织准备对AI驱动的探索的正向影响更强，支持H6。

**4.5 稳健性与敏感性分析**
采用CB-SEM复制模型，结果一致；加入企业规模与行业作为控制变量后路径系数不变；高斯copula检验未发现内生性问题；多群组分析显示模型在不同规模企业间稳健；与直接效应竞争模型比较，本研究的中介模型解释力显著更优。

**讨论与结论**

**讨论部分**
本研究揭示了高增长、国家主导经济体中企业利用AI进行战略探索的机制。关键发现包括：第一，确认了组织准备→感知能力→AI驱动的探索→创新绩效的串行中介链，验证了动态能力的过程逻辑，即AI资源本身不足以产生创新，需先转化为感知市场变化的能力，再通过AI进行实验。第二，政府支持不显著，这与研究情境中Vision 2030使政府支持普遍化、成为基线条件而非差异化资源有关，符合制度理论中同构压力的解释。第三，竞争压力作为催化剂，促使资源丰富企业将潜在资源转化为积极探索，修正了资源自动导致创新的假设。

**研究结论**
本研究通过整合TOE框架与DCV，提供了企业如何在高增长、国家主导经济中培育AI探索机制的综合解释模型。研究挑战了AI投资自动产生绩效的确定性观点，证明价值创造由特定动态能力序列中介：组织准备使感知环境变化成为可能，进而赋能AI驱动的探索。来自沙特阿拉伯的发现表明，在资源丰富环境中，财务与技术准备是必要但不充分的条件；政府支持虽降低采纳门槛，但不保证能力深度发展；内部能力建设与外部竞争压力的相互作用才是从惯性转向探索的关键。通过为AI驱动的探索作为关键中介提供初步实证支持，本研究为企业应对数字时代不确定性绘制了理论与实践路径。这些发现同时推进了动态能力观（将AI驱动的探索识别为连接AI采纳与战略更新的微观基础捕捉机制）、制度理论（证明强制性制度压力在饱和后失去区分力）以及双元性文献（显示AI降低探索成本，可能无需结构重组即可实现探索）。综上，AI不仅是生产力工具，更是能力建设基础设施，其战略价值取决于组织条件与竞争环境，这一视角适用于任何技术投资超过组织准备的经济体。未来竞争优势不在于被动积累数字资产，而在于主动、AI驱动的知识编排以发现新的价值前沿。